脳波と集中力の関係について
•中間発表
•氏名：七瀬拓海、田中伸明
•2025年6月27日
1
目次
•研究概要について
•用語について
•実験の概要について
・実験の推論
・問題を解いたときとEEGとの変化について
•結論
2
研究意義
•集中力と脳波がどのように関係しているかを
Muse-S(EEG測定器)を使用する。
•集中力を可視化することで、活動や休息をは
じめとした様々なイベントを正しく選択する
ことで、人生設計を最適化する。
https://goodbrain.
jp/muses/
Muse-
S
3
用語解説 https://naraamt.or.jp/
Academic/kensyuukai/20
05/kirei/nouha_mon/fig
/002_2.gif
https://mind
-
monitor.com/
blogs/muse-
headband-
electrode-
positions/
用語説明
周波数→縦軸
時間→横軸
振幅→色
https://encrypted-
tbn0.gstatic.com/images?q=tbn:A
Nd9GcRDndGab7f0h8WeF5soETH2vmXP
SK_GHaGflA&s
•AF系（前頭部） → 意図的な集中やタスク中の能動的な脳活動
•TP系（側頭部） → 感覚刺激やリラックス・無意識状態の記録
電極
脳の部位
主な役割・関連機能
AF7 / AF8
前頭前野（前側：おで
この上）
意思決定、注意、思考、
集中力、感情制御
TP9 / TP10
側頭葉後部（耳の後
ろ）
聴覚処理、記憶、リ
ラックス状態の把握な
ど
実験の予想実験の予想
左脳
（AF7 / TP9）
右脳
（AF8 / TP10）
前頭部（
AF7, AF8）
◎計算操作処理（掛け
算反射）
◎
連続的注意
▲
緊張・焦りに反応
▲
β波上昇で「集中し
すぎて崩れる」ことも
後頭部（
TP9, TP10）
◯数字の視認（左下）
◯入力位置を目で追う
◯
ミスに対する警戒
△ 入力位置の不安によ
る緊張反応
左脳
（AF7 / TP9）
右脳
（AF8 / TP10）
前頭部（
AF7, AF8）
◎
多段論理処理
◎ セル位置ごとの反復
▲ 全体構造の統合が難
しく、混乱や焦燥感
（緊張）へ
後頭部（
TP9, TP10）
◯数値記号の視覚保持
◯
掛ける数の目視
◎
空間的配置
◎ 合成視覚情報の統合
保持力
実験1
•3×3行列の掛け算の暗算をする。
•TPとAFの脳波を計測→スペクトログラム
•まだ実験内容に関しては改善の余地あり
•簡易Webサイトでログ確認（右上QR）
8
実験結果1-1
9
実験結果1-2
10
実験結果
•TPのα波、θ波成分とAFのβ波
成分を調べ、その時の値から
EEGデータを取得して、グラ
フを作成
•赤線が問題を解いたとき
•まだ実験内容に関しては改善
の余地あり(標本数や難易度
差)
EEGエンゲージメント指数の参
考文献（Pope, A. T.,
Bogart, E. H., &
Bartolome, D. S. (1995).
Biocybernetic system
evaluates indices of
operator engagement in
automated task
environments.
Biological Psychology,
40(1–2), 187–195.）
TPのα波、θ波成分とAFのβ波成分
上のグラフを使い導いたEEGエージェント指数
11
実験2
•100マス計算(掛け算)をする。
•TPのα波、θ波成分とAFのβ波成分を調べ、そ
の時の値からEEGデータを取得して、グラフを
作成
•実験結果から、EEGデータとどのような相関が
あるか
•まだ実験内容に関しては改善の余地あり
•簡易Webサイトで実験内容をログ化（↑QR）
12
実験結果2-1
13
実験結果2-2
14
エンゲージメント指数の時系列
15
回帰曲線の探求
EEGエンゲージメント指数を
x(t)=β(t)/(α(t)+θ(t))
タスクの効率をyとして、
y=f(x(t))dtとなるfを見つける。
①F(x)=x
②F(x)=Alog(bx+1)
16
F(x)=xとしたとき、
←全体のEEG指数時間積分
ーーーーーーー
ーー
｜
｜
｜↓2こぶを分ける
17
関数での最適化
・問題の難易度はほぼ同じなので、
全て難易度1に近い分布をつくるfであればいい。
(∫F(x(t))dt-1)²を最小にするようにL-
BFGS-B法で最適化
・ミスにより労力が2倍になることあり。
例：計算ミス
入力ミス
問題の見間違え
18
19
F(x)=0.18595log(2.3850
6x+1)
20
反省（実験設定）
•標本数をもっと大きくする
•形式も多様にする
21
実験結果からわかること
•EEGエンゲージメント指数は信頼に足る。
•F(x)=log(x+1)が比較的信頼できそう。
22
結論
Muse-Sから得られる脳波データや、EEG指数は
今回の目的において信頼できるものである。
最後に、各タスクの進捗効率とEEG指数の関係
を追及するべきだ。もし、100マス演算のよう
な作業でlog(x+1)に近い回帰曲線が有用なら
ば、短期的な高いEEG指数よりも、長期的で低
いEEG指数を維持できる、落ち着いた精神状態
の方が効果はあるだろう。
いずれにせよ信頼性を高めるにはもっと多くの
標本と多様な実験が必要だ。
23
